湛江地區(qū)用電客戶電費(fèi)回收風(fēng)險(xiǎn)分析

鄭芒英

【摘要】 從湛江電網(wǎng)企業(yè)的實(shí)際需求出發(fā)，利用SAS軟件通過分析不同客戶的繳交電費(fèi)的行為以及客戶基本屬性特征，研究并創(chuàng)先性構(gòu)建了電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)模型，預(yù)測(cè)并明確客戶的電費(fèi)回收風(fēng)險(xiǎn)等級(jí)?；诂F(xiàn)有客戶服務(wù)管理資源，有效利用客戶動(dòng)態(tài)數(shù)據(jù)資源和邏輯回歸預(yù)測(cè)模型，充分把握客戶需求，按照不同客戶群體的特點(diǎn)開展個(gè)性化服務(wù)。針對(duì)高風(fēng)險(xiǎn)的客戶，提前有針對(duì)性地采取個(gè)性化服務(wù)策略和具體措施，確保電費(fèi)及時(shí)回收，降低企業(yè)經(jīng)營風(fēng)險(xiǎn)，進(jìn)而加強(qiáng)電費(fèi)回收風(fēng)險(xiǎn)管控能力的提升，為電網(wǎng)企業(yè)個(gè)性化優(yōu)質(zhì)服務(wù)策略的制定奠定了基礎(chǔ)。

【關(guān)鍵詞】 邏輯回歸 數(shù)據(jù)挖掘 客戶細(xì)分 差異化服務(wù) 模型

新電改方案已于2014年底在深圳市試點(diǎn)實(shí)施，方案的核心內(nèi)容是確立電網(wǎng)企業(yè)新的盈利模式，不再以上網(wǎng)及銷售電價(jià)差作為收入來源，而是按照政府核定的輸配電價(jià)收取過網(wǎng)費(fèi)[1]。湛江地區(qū)是新電改方案非試點(diǎn)實(shí)施區(qū)域，目前湛江電網(wǎng)企業(yè)的主要經(jīng)營利潤仍來自于電費(fèi)回收。湛江電網(wǎng)企業(yè)為了加強(qiáng)對(duì)電費(fèi)回收的實(shí)時(shí)監(jiān)控；加強(qiáng)銀企合作，加快電費(fèi)資金歸集速度；全面推廣客戶信用評(píng)價(jià)機(jī)制，建立基于客戶信用的電費(fèi)回收策略，防范電費(fèi)回收風(fēng)險(xiǎn)，希望通過分析不同客戶的繳交電費(fèi)的行為以及客戶基本屬性特征，進(jìn)行客戶的電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)，對(duì)不同客戶提前采取差異化的電費(fèi)回收策略和預(yù)防措施，保障企業(yè)的電費(fèi)收入，有效控制企業(yè)經(jīng)營風(fēng)險(xiǎn)，進(jìn)而加強(qiáng)電費(fèi)回收風(fēng)險(xiǎn)管控能力的提升。

一、用電客戶電費(fèi)回收風(fēng)險(xiǎn)的現(xiàn)狀分析

在湛江地區(qū)進(jìn)行需求調(diào)研的過程中，在電費(fèi)回收方面均有一定的需求反饋。

（1）高欠費(fèi)風(fēng)險(xiǎn)客戶增加了資金風(fēng)險(xiǎn)，但目前缺少針對(duì)高欠費(fèi)風(fēng)險(xiǎn)客戶的差異化的服務(wù)措施和辦理業(yè)擴(kuò)業(yè)務(wù)時(shí)的防范措施，以降低企業(yè)資金風(fēng)險(xiǎn)；

（2）部分欠費(fèi)風(fēng)險(xiǎn)高的用戶重新申請(qǐng)業(yè)擴(kuò)新裝時(shí)，缺乏有效手段發(fā)現(xiàn)其欠費(fèi)風(fēng)險(xiǎn)和欠費(fèi)情況，并要求其清剿歷史欠費(fèi)；

（3）在裝表接電環(huán)節(jié)，無法根據(jù)客戶拖欠電費(fèi)的風(fēng)險(xiǎn)程度，有選擇地對(duì)部分客戶選用預(yù)付費(fèi)卡表；

（4）無法根據(jù)客戶的欠費(fèi)風(fēng)險(xiǎn)和獲取繳費(fèi)信息渠道的偏好采取不同的電費(fèi)通知方式，使電費(fèi)信息能夠及時(shí)有效的通知到客戶；

（5）無法找出電費(fèi)回收可能存在風(fēng)險(xiǎn)的客戶或群體。

在這樣的業(yè)務(wù)背景下，想要強(qiáng)化電費(fèi)回收風(fēng)險(xiǎn)的管控，需要明確每個(gè)客戶的電費(fèi)回收風(fēng)險(xiǎn)等級(jí)，找到高風(fēng)險(xiǎn)客戶，有針對(duì)性地采取差異化的策略和具體措施，確保電費(fèi)及時(shí)回收，降低企業(yè)經(jīng)營風(fēng)險(xiǎn)。

然而，在當(dāng)前的業(yè)務(wù)現(xiàn)狀下，尋找用檢風(fēng)險(xiǎn)高的客戶存在一定的困難，主要體現(xiàn)在以下兩個(gè)方面：

（1）電費(fèi)回收高風(fēng)險(xiǎn)客戶沒有統(tǒng)一的定義。目前，不同業(yè)務(wù)人員心目中都有一些電費(fèi)回收風(fēng)險(xiǎn)高的客戶的特征（也就是通常所謂“壞客戶”的特點(diǎn)）。例如抄核收人員認(rèn)為多次催繳，甚至上門催繳也不來繳費(fèi)的客戶是高風(fēng)險(xiǎn)的客戶；電費(fèi)核算人員認(rèn)為連續(xù)幾期電費(fèi)都存在逾期的客戶是高風(fēng)險(xiǎn)的客戶；客戶經(jīng)理認(rèn)為生產(chǎn)波動(dòng)性大的企業(yè)，由于經(jīng)營狀況不穩(wěn)定，經(jīng)常容易發(fā)生欠費(fèi)，是高風(fēng)險(xiǎn)客戶等。

（2）電力營銷系統(tǒng)中沒有統(tǒng)一標(biāo)識(shí)每個(gè)客戶的電費(fèi)回收風(fēng)險(xiǎn)等級(jí)。目前，電力營銷系統(tǒng)中并沒有“電費(fèi)回收風(fēng)險(xiǎn)”這樣的客戶標(biāo)識(shí)，同時(shí)存在許多和電費(fèi)風(fēng)險(xiǎn)相關(guān)的字段，如欠費(fèi)金額、欠費(fèi)次數(shù)、信用等級(jí)、是否預(yù)存電費(fèi)等。這些字段較多較散，無法讓業(yè)務(wù)人員綜合使用。

為了解決以上業(yè)務(wù)人員在實(shí)際業(yè)務(wù)過程中遇到的問題，需提取電力營銷系統(tǒng)里的與電費(fèi)回收相關(guān)的各字段信息，運(yùn)用算法模型，預(yù)測(cè)客戶的電費(fèi)回收風(fēng)險(xiǎn)，并在系統(tǒng)中為客戶進(jìn)行標(biāo)識(shí)。

電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)，是對(duì)用電客戶未來按期繳費(fèi)行為的提前預(yù)測(cè)，希望通過差異化提醒和賬單等方式，提高電費(fèi)回收率指標(biāo)。根據(jù)湛江地區(qū)的199.9萬非居民用戶和176.9萬居民用戶龐大、異構(gòu)、多源的基本數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，通過數(shù)據(jù)挖掘[2][3]工具對(duì)數(shù)據(jù)進(jìn)行分析、預(yù)測(cè)。

二、用電客戶電費(fèi)回收風(fēng)險(xiǎn)分析的建模

本研究工作采用的主要工具是SAS軟件。SAS（全稱STATISTICAL ANALYSIS SYSTEM，簡稱SAS）是全球最大的軟件公司之一，是由美國NORTH CAROLINA州立大學(xué)1966年開發(fā)的統(tǒng)計(jì)分析軟件，具有完備的數(shù)據(jù)存取、數(shù)據(jù)管理、數(shù)據(jù)分析和數(shù)據(jù)展現(xiàn)功能[4]。在計(jì)算機(jī)上安裝SAS Enterprise Guide（以下簡稱SAS EG）5.1瘦客戶端和SAS Enterprise Miner（以下簡稱SAS EM）后，根據(jù)SAS方法論流程進(jìn)行分步實(shí)施。根據(jù)湛江地區(qū)用電客戶電費(fèi)回收風(fēng)險(xiǎn)現(xiàn)狀、調(diào)研需求及SAS方法論，制定電費(fèi)回收風(fēng)險(xiǎn)分析流程。從電費(fèi)回收的業(yè)務(wù)數(shù)據(jù)獲取、整理，數(shù)據(jù)導(dǎo)入，數(shù)據(jù)處理，數(shù)據(jù)建模，模型評(píng)估到實(shí)際應(yīng)用，該分析流程是一個(gè)PDCA循環(huán)過程。

2.1數(shù)據(jù)獲取、整理

經(jīng)過與電網(wǎng)企業(yè)客服服務(wù)中心、市場(chǎng)營銷部、區(qū)（縣）單位的營銷部門交流溝通后，對(duì)業(yè)務(wù)數(shù)據(jù)和結(jié)合實(shí)際情況對(duì)用電客戶信息進(jìn)行相關(guān)性分析[5]。相關(guān)性分析是指對(duì)兩個(gè)或多個(gè)具備相關(guān)性的變量元素進(jìn)行分析，從而衡量兩個(gè)變量因素的相關(guān)密切程度[5]。初步確定用電客戶的電費(fèi)回收風(fēng)險(xiǎn)可能與用電客戶的城鎮(zhèn)/農(nóng)村用戶、出賬周期、當(dāng)前是否銷戶、地市局編碼、電費(fèi)計(jì)算日期、電費(fèi)實(shí)際金額、電價(jià)代碼、罰金金額、負(fù)荷類型、供電電壓、行業(yè)類別、合同容量、計(jì)算日期、繳費(fèi)方式、繳費(fèi)日期、繳費(fèi)月份、客戶編號(hào)、客戶類型、客戶名稱、客戶身份、失敗次數(shù)、違約次數(shù)、用電類別、用電性質(zhì)、月份和總電量有密切關(guān)聯(lián)。

確定時(shí)間窗口為2012年1月至2013年12月，從電力營銷系統(tǒng)后臺(tái)導(dǎo)出湛江地區(qū)非居民和居民用戶基本數(shù)據(jù)表和業(yè)務(wù)數(shù)據(jù)。2013年6月以前為表現(xiàn)期，用于計(jì)算客戶的行為屬性；2013年7月至2013年12月為觀察期，用來確定目標(biāo)客戶。

2.2數(shù)據(jù)處理

根據(jù)與電費(fèi)回收風(fēng)險(xiǎn)相關(guān)基本數(shù)據(jù)表及相關(guān)字段，從電力營銷系統(tǒng)后臺(tái)導(dǎo)出與電費(fèi)回收風(fēng)險(xiǎn)具體的數(shù)據(jù)表數(shù)據(jù)，在SAS EG進(jìn)行數(shù)據(jù)導(dǎo)入。對(duì)導(dǎo)入SAS EG的數(shù)據(jù)表需進(jìn)行數(shù)據(jù)篩選[6]（刪除無效數(shù)據(jù)，篩選有用數(shù)據(jù)）、對(duì)變量進(jìn)行二次變量生成等數(shù)據(jù)處理[6][7]步驟。

將欠費(fèi)客戶根據(jù)客戶編碼分為兩部分：居民欠費(fèi)客戶和非居民欠費(fèi)客戶。找出在2013年1月至2013年12月之間有欠費(fèi)的客戶，根據(jù)欠費(fèi)客戶數(shù)占總體客戶的比例，以及欠費(fèi)金額和欠費(fèi)次數(shù)分布情況，最終根據(jù)平均值或中位數(shù)劃分好與壞客戶，確定一個(gè)標(biāo)準(zhǔn)。根據(jù)平均值、中位數(shù)劃分壞客戶，劃分金額都存在偏大或偏小，可能都與湛江地區(qū)實(shí)際情況不符，與業(yè)務(wù)專家討論收集意見，結(jié)合湛江地區(qū)實(shí)際需求。最終確認(rèn)湛江地區(qū)非居民電費(fèi)回收風(fēng)險(xiǎn)“壞客戶”樣本選取標(biāo)準(zhǔn)：當(dāng)非居民欠費(fèi)客戶的累計(jì)欠費(fèi)金額達(dá)到1000元，欠費(fèi)次數(shù)達(dá)到2次；居民欠費(fèi)客戶的累計(jì)欠費(fèi)金額達(dá)到20元，欠費(fèi)次數(shù)達(dá)到3次，就認(rèn)為它是目標(biāo)客戶。

將原始數(shù)據(jù)表經(jīng)過多次數(shù)據(jù)處理后，將處理完的得到的數(shù)據(jù)表按客戶編號(hào)與客戶基本信息進(jìn)行關(guān)聯(lián)，得到模型所需寬表合并數(shù)據(jù)表，最后形成居民和非居民電費(fèi)回收數(shù)據(jù)寬表。

2.3數(shù)據(jù)建模

數(shù)據(jù)處理得到居民和非居民的目標(biāo)客戶的客戶編碼CUSTOMER_ID，與處前面處理得到的數(shù)據(jù)按照CUSTOMER_ID進(jìn)行匹配。新建一個(gè)目標(biāo)變量TARGET，匹配成功的客戶取值為1，其它為0。將SAS EG得到的數(shù)據(jù)寬表導(dǎo)入SAS EM進(jìn)行數(shù)據(jù)建模。導(dǎo)入SAS EM的各個(gè)變量的極值、水平值、標(biāo)準(zhǔn)差等進(jìn)行變量分析[2]。經(jīng)過數(shù)據(jù)處理（計(jì)算字段、表合并及異常值處理等）后，在數(shù)據(jù)建模前對(duì)各個(gè)變量進(jìn)行頻數(shù)分析。分析發(fā)現(xiàn)有幾種情況：電量為負(fù)數(shù)，主要是沖銷導(dǎo)致有幾戶為負(fù)數(shù)；客戶年齡缺失值較多；其他未發(fā)現(xiàn)數(shù)據(jù)不可用情況。使用邏輯回歸[8]或決策樹[8]方法時(shí)，缺失值也會(huì)進(jìn)行分類處理。因此對(duì)上述異常情況不需要特別剔除。

為了找出與樣本客戶有較強(qiáng)相關(guān)關(guān)系的屬性字段，采取相關(guān)性分析方法。經(jīng)過相關(guān)性分析后最終選取高相關(guān)字段進(jìn)行建模，與樣本客戶有較強(qiáng)相關(guān)關(guān)系的屬性字段：合同容量、城市/農(nóng)村、繳費(fèi)時(shí)長、繳費(fèi)金額、繳費(fèi)次數(shù)。

2.4模型選擇

電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)，是對(duì)用戶未來按期繳費(fèi)行為的提前預(yù)測(cè)，希望通過差異化提醒和賬單等方式，提高電費(fèi)回收率指標(biāo)，因此需要采用預(yù)測(cè)模型（邏輯回歸、決策樹模型）。

（1）邏輯回歸模型

邏輯回歸模型的算法：對(duì)概率發(fā)生比率 （odds值） 進(jìn)行對(duì)數(shù)變換，作為目標(biāo)變量X，然后用各種因素進(jìn)行線性回歸預(yù)測(cè)其概率轉(zhuǎn)換后的目標(biāo)值Y，假設(shè)p為事件發(fā)生概率，設(shè)，建立模型[7]。

（2）決策樹模型

決策樹模型的算法：根據(jù)各個(gè)變量的區(qū)分度（如信息熵，基尼統(tǒng)計(jì)量等），從根節(jié)點(diǎn)對(duì)每個(gè)節(jié)點(diǎn)進(jìn)行分裂直到不滿足分裂準(zhǔn)則，每個(gè)節(jié)點(diǎn)上的好壞占比即為發(fā)生概率[7]。

電費(fèi)回收風(fēng)險(xiǎn)模型中，選擇居民客戶，一年之內(nèi)有過3次及以上欠費(fèi)的，并且累計(jì)欠費(fèi)金額大于20元的；非居民客戶，一年之內(nèi)有過2次及以上欠費(fèi)的，并且累計(jì)欠費(fèi)金額大于1000元的。這些客戶為電費(fèi)回收高風(fēng)險(xiǎn)客戶，將這些客戶的目標(biāo)變量設(shè)定為1，其余客戶設(shè)定為0。為了防止樣本客戶的過度訓(xùn)練，需對(duì)數(shù)據(jù)進(jìn)行分區(qū)，按40%， 30%， 30% 拆分成訓(xùn)練集、驗(yàn)證集和測(cè)試集；如需將區(qū)間型或列名型變量轉(zhuǎn)換成序數(shù)型變量則需采取交互式分箱轉(zhuǎn)換方法。

采用邏輯回歸方法，非居民客戶模型對(duì)驗(yàn)證集進(jìn)行評(píng)分排序后，前5%的客戶里壞客戶占比為8.31%，提升度為 15.8 倍；居民客戶模型對(duì)驗(yàn)證集進(jìn)行評(píng)分排序后，前5%的客戶里壞客戶占比為33.1%，提升度為 12.2 倍。

應(yīng)用邏輯回歸公式對(duì)全量客戶打分，之后對(duì)每個(gè)分群的風(fēng)險(xiǎn)客戶占比進(jìn)行統(tǒng)計(jì)。統(tǒng)計(jì)發(fā)現(xiàn)，非居民（居民）全量客戶中壞客戶占比與驗(yàn)證集的比例接近。也就是模型具備較好的普適性，不存在“過擬合”的問題。運(yùn)用決策樹模型建模，由于純度低，沒有變量滿足決策樹根節(jié)點(diǎn)分裂的條件，因而該建模方法不適用。對(duì)比之后，最終采用利用邏輯回歸算法建模得到的非居民和居民電費(fèi)回收風(fēng)險(xiǎn)模型。

運(yùn)用SAS EM工具，進(jìn)行數(shù)據(jù)建模。最終選定的建模流程，如圖1、 2所示。

2.5模型評(píng)估

運(yùn)用邏輯回歸算法，提取全體客戶數(shù)據(jù)，對(duì)全體客戶打分排名。將電費(fèi)回收風(fēng)險(xiǎn)分?jǐn)?shù)從高到低進(jìn)行排列，按照湛江電網(wǎng)的服務(wù)資源，劃分不同等級(jí)的客戶風(fēng)險(xiǎn)度，前5%非居民（居民）純度比對(duì)發(fā)現(xiàn)高風(fēng)險(xiǎn)客戶群主要集中在前5%。將前5%客戶進(jìn)一步細(xì)分，可以確定前1%的純度非常高。因此建議非居民電費(fèi)回收風(fēng)險(xiǎn)的分群方法為：前1%為高風(fēng)險(xiǎn)群；2%-5%為次高風(fēng)險(xiǎn)群；后95%為低風(fēng)險(xiǎn)群。

三、模型應(yīng)用

模型評(píng)估后，分別對(duì)非居民和居民的電費(fèi)回收風(fēng)險(xiǎn)進(jìn)行業(yè)務(wù)特征刻畫，從而反映不同客戶群體的特征差別。

（1）非居民電費(fèi)回收風(fēng)險(xiǎn)特征刻畫

行業(yè)類別：從絕對(duì)數(shù)量來看，高回收風(fēng)險(xiǎn)群數(shù)量最多的行業(yè)是其他，其次是無行業(yè)分類和制造業(yè)；從相對(duì)概率來看，交通運(yùn)輸倉儲(chǔ)和郵政業(yè)中高回收風(fēng)險(xiǎn)客戶比例最高，其次是商業(yè)住宿及餐飲業(yè)、公共事業(yè)和管理組織。

用電類別：從絕對(duì)數(shù)量來看，高回收風(fēng)險(xiǎn)群數(shù)量最多的是普通工業(yè)，其次是非工業(yè)；從相對(duì)概率來看，非工業(yè)中高回收風(fēng)險(xiǎn)客戶比例最高，其次是農(nóng)業(yè)生產(chǎn)和普通工業(yè)。

合同容量：從絕對(duì)數(shù)量來看，高回收風(fēng)險(xiǎn)群數(shù)量最多的是合同容量小于100kVA的客戶，其次是100-315kVA的客戶；從相對(duì)概率來看，合同容量100-315kVA的客戶中高回收風(fēng)險(xiǎn)客戶比例最高，其次是315-1000kVA的客戶。

（2）居民電費(fèi)回收風(fēng)險(xiǎn)特征刻畫

城鎮(zhèn)/農(nóng)村：居民客戶電費(fèi)回收高風(fēng)險(xiǎn)客戶主要是城市客戶，其他兩個(gè)群的城市農(nóng)村占比接近。

利用電費(fèi)回收風(fēng)險(xiǎn)客戶細(xì)分[9][10]的結(jié)果，可在實(shí)際業(yè)務(wù)場(chǎng)景進(jìn)行應(yīng)用，如下幾點(diǎn)：

（1）在用電客戶電費(fèi)回收的催費(fèi)流程中，抄核收人員可根據(jù)用電客戶電費(fèi)回收風(fēng)險(xiǎn)細(xì)分結(jié)果設(shè)置流程處理的優(yōu)先級(jí)，以保證業(yè)務(wù)員進(jìn)行電費(fèi)催收時(shí)重點(diǎn)關(guān)注高風(fēng)險(xiǎn)用戶，提高電費(fèi)回收成效。

（2）對(duì)高電費(fèi)回收風(fēng)險(xiǎn)的客戶，客戶服務(wù)人員在電費(fèi)通知單上增加客戶近12個(gè)月繳費(fèi)時(shí)間列表，違約金情況；提醒高風(fēng)險(xiǎn)客戶，及時(shí)交費(fèi)避免產(chǎn)生違約金；對(duì)渠道溝通活躍度高的客戶，在電費(fèi)通知單上增加網(wǎng)上營業(yè)廳網(wǎng)址和掌上營業(yè)廳應(yīng)用二維碼，引導(dǎo)客戶使用自助服務(wù)渠道進(jìn)行及時(shí)交費(fèi)。

（3）在客戶新報(bào)裝時(shí)，注意清剿歷史欠費(fèi)；出賬、帳單生成、打印和遞送，制作差異化賬單；提供上門收款服務(wù)，移動(dòng)式POS機(jī)收款等差異化服務(wù)等。

四、結(jié)論

通過對(duì)湛江地區(qū)用電客戶電費(fèi)回收風(fēng)險(xiǎn)分析，解決營銷系統(tǒng)中原先并沒有統(tǒng)一標(biāo)識(shí)電費(fèi)回收風(fēng)險(xiǎn)客戶的問題，有助于電網(wǎng)企業(yè)電費(fèi)回收風(fēng)險(xiǎn)管控能力的提升。得到結(jié)論如下：

（1）用電客戶電費(fèi)回收風(fēng)險(xiǎn)分析模型穩(wěn)定，有利于基于電費(fèi)回收風(fēng)險(xiǎn)的差異化催收，高電費(fèi)回收風(fēng)險(xiǎn)客戶的賬單差異化和出賬、帳單生成、打印和遞送差異化服務(wù)等，將催費(fèi)環(huán)節(jié)前移到繳費(fèi)期截止前，從而促進(jìn)電費(fèi)回收；

（2）建立了用電客戶電費(fèi)回收風(fēng)險(xiǎn)分析模型，適用范圍不局限于湛江地區(qū)，同樣適用于其他地區(qū)；

（3）根據(jù)用電客戶電費(fèi)回收風(fēng)險(xiǎn)分析思路，有助于湛江地區(qū)新的用電客戶行為及服務(wù)業(yè)務(wù)主題的新需求的工作開展。

為了進(jìn)一步提高湛江地區(qū)用電客戶電費(fèi)回收風(fēng)險(xiǎn)分析模型精確度和適用度可抽取一個(gè)新的時(shí)間窗口（2014年）的數(shù)據(jù)，通過模型對(duì)新數(shù)據(jù)進(jìn)行打分，然后與實(shí)際情況作比較，并根據(jù)模型在訓(xùn)練集、驗(yàn)證集上的表現(xiàn)來看模型是否穩(wěn)定，其衰減度是否可接受。

參 考 文 獻(xiàn)

[1] QQ858339881.新電改方案 [DB/OL].百度百科，2014-12-26

[2][美]維克托.邁爾.舍恩伯格（ViktorMayer-Sch?nberger）著.大數(shù)據(jù)時(shí)代[M].周濤譯.浙江：浙江人民出版社，2013：26-232

[3]徐子沛.大數(shù)據(jù)[M].廣西：廣西師范大學(xué)出版社，2013：25-89

[4]姚志勇.SAS編程與數(shù)據(jù)挖掘商業(yè)案例[M].北京：機(jī)械工業(yè)出版社，2010：21-246

[5] p8p9p11.相關(guān)性分析 [DB/OL].百度百科，2014-12-12

[6]JiaweiHan，MichelingKamber，JianPei，等著.數(shù)據(jù)挖掘：概念與技術(shù)[M].韓家威，譯.北京：機(jī)械工業(yè)出版社，2006：62-81

[7]張文霖，劉夏璐，狄松.誰說菜鳥不會(huì)數(shù)據(jù)分析[M].北京：電子工業(yè)出版社，2012：8-30

[8]（新西蘭）IanH.Witten，EibeFrank著.數(shù)據(jù)挖掘?qū)嵱脵C(jī)器學(xué)習(xí)技術(shù)[M].董琳，邱泉，于曉峰，等譯.北京：機(jī)械工業(yè)出版社，2006：40-133

[9]溫德爾史密斯.客戶細(xì)分[DB/OL].百度百科，2014-07-31

[10]林嘉暉.基于數(shù)據(jù)挖掘的電網(wǎng)用戶行為分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].廣州：中山大學(xué)，2013